基于協(xié)同過(guò)濾及關(guān)聯(lián)規(guī)則的個(gè)性化圖書(shū)推薦.pdf

1、目前高校圖書(shū)館的圖書(shū)種類(lèi)繁多，數(shù)量龐大，面對(duì)海量的圖書(shū)信息資源，一方面學(xué)生需要花費(fèi)大量的時(shí)間和精力來(lái)獲取需要的圖書(shū)，另一方面?zhèn)鹘y(tǒng)的檢索查詢或熱門(mén)推薦等方式往往不能產(chǎn)生令人滿意的結(jié)果。面對(duì)學(xué)生日益變化的個(gè)人需求，傳統(tǒng)的圖書(shū)館工作模式顯然不能滿足學(xué)生的個(gè)性化需求。因此，發(fā)展高校圖書(shū)館個(gè)性化圖書(shū)推薦服務(wù)是未來(lái)的必然趨勢(shì)。
　　在查閱了相關(guān)文獻(xiàn)的基礎(chǔ)上，本文提出了基于協(xié)同過(guò)濾及關(guān)聯(lián)規(guī)則的個(gè)性化圖書(shū)推薦算法。首先針對(duì)基于圖書(shū)借閱記錄協(xié)同過(guò)濾

2、算法中存在的系統(tǒng)擴(kuò)展性和數(shù)據(jù)稀疏性問(wèn)題進(jìn)行了分析和解決。其次，本文改進(jìn)了協(xié)同過(guò)濾算法中用戶相似度計(jì)算模型。在用戶相似度計(jì)算中，本文不僅考慮了傳統(tǒng)基于圖書(shū)借閱信息的用戶相似度，針對(duì)高校圖書(shū)推薦的背景，還考慮了基于學(xué)生屬性特征的用戶相似度，并將兩者進(jìn)行加權(quán)融合得到用戶的綜合相似度。
　　在推薦結(jié)果集上，本文利用關(guān)聯(lián)挖掘?qū)ζ溥M(jìn)行了優(yōu)化，首先通過(guò)改進(jìn)的協(xié)同過(guò)濾算法選擇出TOP-N個(gè)目標(biāo)用戶感興趣的圖書(shū)，然后將所有用戶的借閱記錄集合進(jìn)行關(guān)聯(lián)

3、規(guī)則的挖掘，找出圖書(shū)間的強(qiáng)關(guān)聯(lián)規(guī)則并保存。接著將TOP-N圖書(shū)通過(guò)規(guī)則數(shù)據(jù)庫(kù)進(jìn)行匹配進(jìn)一步找出與之關(guān)聯(lián)的圖書(shū)，并且將這些關(guān)聯(lián)圖書(shū)與TOP-N圖書(shū)進(jìn)行混合推薦。
　　最后本文分別對(duì)傳統(tǒng)協(xié)同過(guò)濾推薦算法、基于改進(jìn)相似度的協(xié)同過(guò)濾推薦算法和基于協(xié)同過(guò)濾及關(guān)聯(lián)規(guī)則推薦算法進(jìn)行了實(shí)驗(yàn)，并從推薦的準(zhǔn)確率(Precision)和召回率(Recall)進(jìn)行對(duì)比分析。實(shí)驗(yàn)結(jié)果表明改進(jìn)后的算法在準(zhǔn)確率和召回率上都有進(jìn)一步的提高。同時(shí)，基于改進(jìn)算法，本